[发明专利]一种半导体制造过程的多性能预测方法

摘要

本发明涉及一种半导体制造过程的多性能预测方法。首先选取半导体生产线上表征其状态的在制品水平参数、设备参数和工件参数为性能指标的影响因素；采集生产线相关数据，利用主成分分析法进行预处理，剔除冗余信息，并利用贝叶斯神经网络构建多性能预测模型，引入贝叶斯方法控制网络模型的复杂度；然后通过模型精度验证法分析模型性能是否符合性能评价准则，并对不符合标准的网络模型结构进行在线修正；最后确定影响工件平均加工周期和设备利用率的关键因素。本发明改善了半导体领域性能预测模型受约束条件限制、泛化性能较差等缺点，解决了半导体领域单一性能预测模型不能适用于多性能预测建模问题，是对半导体制造过程多性能预测方法的改进。

主权项

一种半导体制造过程的多性能预测方法，其特征在于包括以下步骤：步骤1，确定需预测的性能指标及半导体制造过程中影响性能指标的因素；需预测的性能指标包括工件平均加工周期和设备利用率；影响性能指标的因素包括在制品水平、设备参数和工件参数；步骤2，从半导体生产线采集步骤1中所述预测性能指标及影响因素的相关数据，然后对采集的样本数据进行预处理；预处理方法如下：步骤2.1，采用主成分分析方法剔除样本数据中的冗余信息，降低输入数据维数；用向量x＝(x1,x2,...,xn)T表示性能指标影响因素，n为向量x中变量的个数；若x＝(x1,x2,...,xn)T的协方差阵的n个特征根为λ1,λ2,...,λn，λ1≥λ2≥...≥λn＞0，计算特征根对应性能指标影响参数的累计贡献率d：d=Σi=1mλiΣj=1nλj]]>累计贡献率达到95％时的m即为剔除冗余信息后数据的维数；求特征根λi对应的m个正交化单位特征向量ai＝(ai1,ai2,...,ain)，由ui＝ai·x得到x降维后的m个主元ui，i＝1,2,...,m，ui表达式为：u1＝a11x1+a12x2+…+a1nxnu2＝a21x1+a22x2+…+a2nxn....................um＝am1x1+am2x2+…+amnxn步骤2.2，利用“最大最小法”对筛选后的数据进行归一化；步骤3，采用贝叶斯神经网络方法建立半导体制造过程多性能预测模型；步骤3.1，将步骤1所确定的影响性能指标的因素作为贝叶斯神经网络的输入，预测性能指标作为输出；步骤3.2，选择网络结构，初始化网络参数；网络模型采用包括输入层、隐含层和输出层的三层结构；由输入层节点数I和输出层节点数O，根据隐含层神经元个数经验公式计算隐含层节点数H，然后在H值周围用实验法确定最优的隐含层节点数；设权值先验概率P(w|α,H)服从高斯分布，w为网络权值，α为控制网络的复杂程度的超参数，完成网络参数的初始化；步骤3.3，利用步骤2所得数据对贝叶斯神经网络进行训练；步骤4，对步骤3建立的预测模型进行在线修正；步骤4.1，获取生产线预测性能指标及影响因素的相关数据，并利用步骤2的方法进行数据预处理；步骤4.2，通过模型精度验证法分析模型性能是否符合性能评价准则；模型预测精度为：pre=1NΣi=1N|yi-yi′yi|]]>式中，N为样本数；yi为模型的第i个实际输出；yi'为模型的第i个期望输出；如果模型预测精度达到了预测精度期望值，表明模型符合性能评价准则，不需要进行修正；否则，不符合性能评价准则，需要对贝叶斯神经网络模型结构进行修正，利用经验公式重新计算隐含层神经元的节点数；步骤5，应用网络权值分析法确定影响工件平均加工周期和设备利用率的关键因素；步骤5.1获取训练好的贝叶斯神经网络的连接权值，对每一个输入计算其对输出的贡献值；输入xi对输出的贡献值ci：ci=Σj=1hcij=Σj=1hwijw1j+w2j+...+wmj]]>式中，i＝1,2,...,m，h为隐含层节点数，cij为输入xi对隐含层第j个节点的贡献值，wij为网络权值；步骤5.2，计算重要影响因素阈值；选取贡献值的平均值为阈值：t=Σi=1mcim]]>式中，t为阈值；步骤5.3，确定对输出平均加工周期和设备利用率影响较大的重要因素；将步骤5.1得到的每个输入的贡献值与步骤5.2得到的阈值比较，贡献值大于阈值的输入为工件平均加工周期和设备利用率的重要影响因素。